ನಾರ್ವೆಯ ಸಾಲ್ಮನ್ ಫಾರ್ಮ್ನಲ್ಲಿ ಪರೀಕ್ಷಿಸಲಾದ ಸ್ವಯಂ-ಮೇಲ್ವಿಚಾರಿತ (self-supervised) AI ವ್ಯವಸ್ಥೆಯು, ರೋಗದ ಲಕ್ಷಣಗಳು ಕಾಣಿಸಿಕೊಳ್ಳುವ ಮೂರುದಿಂದ ಐದು ದಿನಗಳ ಮೊದಲೇ ಅವುಗಳನ್ನು ಗುರುತಿಸಿದೆ, ಆರು ಗಂಟೆಗಳ ಮುಂಚಿತವಾಗಿ 94% ನಿಖರತೆಯೊಂದಿಗೆ ಆಮ್ಲಜನಕದ ಮಟ್ಟ ಕುಸಿತವನ್ನು ಮುನ್ಸೂಚಿಸಿದೆ ಮತ್ತು ಆಹಾರದ ವ್ಯರ್ಥವನ್ನು 23% ರಷ್ಟು ಕಡಿಮೆ ಮಾಡಿದೆ. ಈ ಮಹತ್ವದ ಬೆಳವಣಿಗೆಯು, ಸ್ವಯಂಚಾಲಿತ ಪ್ರಕ್ರಿಯೆಗಳಿಗೆ ಅಡ್ಡಿಯಾಗುತ್ತಿದ್ದ ಬೃಹತ್ ಪ್ರಮಾಣದ, ಕೈಯಿಂದ ಲೇಬಲ್ ಮಾಡಿದ ಡೇಟಾ ಸೆಟ್ಗಳಿಲ್ಲದೆಯೇ ಅಕ್ವಾಕಲ್ಚರ್ ಕ್ಷೇತ್ರದಲ್ಲಿ ಮುನ್ನೆಚ್ಚರಿಕೆಗಳನ್ನು ಪಡೆಯಬಹುದು ಎಂಬುದನ್ನು ತೋರಿಸಿಕೊಟ್ಟಿದೆ.
ಅಕ್ವಾಕಲ್ಚರ್ಗೆ ಹೊಸ ವಿಧಾನ ಏಕೆ ಬೇಕು
ಮೀನು ಸಾಕುವ ಫಾರ್ಮ್ಗಳು ನಿರಂತರವಾಗಿ ಬದಲಾಗುವ ಪರಿಸರದಲ್ಲಿ ಇರುತ್ತವೆ. ಋತುಮಾನದ ಉಬ್ಬರವಿಳಿತಗಳು, ತಾಪಮಾನದ ಏರಿಳಿತಗಳು ಮತ್ತು ಹಠಾತ್ ರಾಸಾಯನಿಕ ಬದಲಾವಣೆಗಳು ಸೆನ್ಸರ್ ಸ್ಟ್ರೀಮ್ಗಳನ್ನು ಅಸ್ಪಷ್ಟ ಮತ್ತು ಅಪೂರ್ಣವಾಗಿಸುತ್ತವೆ. ಮೀನಿನ ನಡವಳಿಕೆಯು ನಿಮಿಷಗಟ್ಟಲೆ ಇರುವ ಚಟುವಟಿಕೆಗಳಿಂದ ಹಿಡಿದು ತಿಂಗಳಗಟ್ಟಲೆ ಇರುವ ಬೆಳವಣಿಗೆಯ ಚಕ್ರಗಳವರೆಗೆ ವೈವಿಧ್ಯಮಯವಾಗಿರುತ್ತದೆ. ರೋಗ ಬಂದಾಗ, ಅದು ವೇಗವಾಗಿ ಹರಡುತ್ತದೆ ಮತ್ತು ಇಡೀ ಸೀಸನ್ನ ಇಳುವರಿಯನ್ನೇ ನಾಶಪಡಿಸಬಹುದು. ಪ್ರತಿಯೊಂದು ಅಸಹಜತೆಯ ಬಗ್ಗೆ ಸಾಕಷ್ಟು ಲೇಬಲ್ ಮಾಡಿದ ಉದಾಹರಣೆಗಳನ್ನು ಸಂಗ್ರಹಿಸುವುದು ಅಸಾಧ್ಯ; ಏಕೆಂದರೆ ರೋಗದ ಪ್ರಸರಣವು ಅಪರೂಪ ಮತ್ತು ಪ್ರತಿಯೊಂದು ಮೀನಿನ ಚಲನೆ ಅಥವಾ ನೀರಿನ ರೀಡಿಂಗ್ ಅನ್ನು ಟ್ಯಾಗ್ ಮಾಡುವುದು ಫಾರ್ಮ್ನ ಲಾಭಕ್ಕಿಂತ ಹೆಚ್ಚಿನ ವೆಚ್ಚವನ್ನು ಉಂಟುಮಾಡುತ್ತದೆ.
ಸ್ವಯಂ-ಮೇಲ್ವಿಚಾರಿತ ಪರಿಹಾರ
ಈ ಹೊಸ ವ್ಯವಸ್ಥೆಯು ದತ್ತಾಂಶವು ತಾನೇ ಕಲಿಯಲು ಅನುವು ಮಾಡಿಕೊಡುವ ಎರಡು ಹಂತದ ಆರ್ಕಿಟೆಕ್ಚರ್ ಅನ್ನು ಬಳಸುತ್ತದೆ.
ಹಂತ 1 – ಟೆಂಪೊರಲ್ ಎನ್ಕೋಡರ್ (Temporal encoder)
ಕಾಂಟ್ರಾಸ್ಟಿವ್ ಲರ್ನಿಂಗ್ (contrastive learning) ಪ್ರಕ್ರಿಯೆಯು ಸಮಯದ ದೃಷ್ಟಿಯಿಂದ ಹತ್ತಿರವಿರುವ ವೀಕ್ಷಣೆಗಳಿಂದ "ಪಾಸಿಟಿವ್" (positive) ಜೋಡಿಗಳನ್ನು ಮತ್ತು ದೂರವಿರುವ ವೀಕ್ಷಣೆಗಳಿಂದ "ನೆಗೆಟಿವ್" (negative) ಜೋಡಿಗಳನ್ನು ರೂಪಿಸುತ್ತದೆ. ತನ್ನ ಆಂತರಿಕ ಪ್ರಾತಿನಿಧ್ಯದಲ್ಲಿ ಪಾಸಿಟಿವ್ಗಳನ್ನು ಒಟ್ಟಿಗೆ ತರುವ ಮೂಲಕ ಮತ್ತು ನೆಗೆಟಿವ್ಗಳನ್ನು ದೂರ ತಳ್ಳುವ ಮೂಲಕ, ಎನ್ಕೋಡರ್ ಮಾನವನ ಸಹಾಯವಿಲ್ಲದೆ ಪುನರಾವರ್ತಿತ ಮಾದರಿಗಳನ್ನು ಹೊರತೆಗೆಯುತ್ತದೆ.
ಹಂತ 2 – ಎಂಬಾಡಿಡ್ ಡಿಸಿಷನ್ ಏಜೆಂಟ್ (Embodied decision agent)
ಕಲಿತ ಮಾದರಿಗಳು ಏಜೆಂಟ್ಗೆ ಮಾಹಿತಿಯನ್ನು ನೀಡುತ್ತವೆ, ಇದು ಆಮ್ಲಜನಕದ ಮಟ್ಟವನ್ನು ಯಾವಾಗ ಹೊಂದಿಸಬೇಕು, ಆಹಾರದ ವೇಳಾಪಟ್ಟಿಯನ್ನು ಯಾವಾಗ ಬದಲಾಯಿಸಬೇಕು ಅಥವಾ ಎಚ್ಚರಿಕೆಗಳನ್ನು ಯಾವಾಗ ನೀಡಬೇಕು ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸುತ್ತದೆ. ಪ್ರತಿಯೊಂದು ಕ್ರಮದ ಫಲಿತಾಂಶವು ಎನ್ಕೋಡರ್ಗೆ ಮರಳಿ ಬರುತ್ತದೆ, ಇದು ನಿರಂತರ ಲೂಪ್ ಮೂಲಕ ಮಾದರಿಗಳ ಲೈಬ್ರರಿಯನ್ನು ಸುಧಾರಿಸುತ್ತದೆ.
ಮೂರು ತಾಂತ್ರಿಕ ಅಡೆತಡೆಗಳನ್ನು ನಿವಾರಿಸುವುದು
- ಕಣ್ಮರೆಯಾದ ದತ್ತಾಂಶ (Missing data) – ತೇಲುವ ಪಂಜರಗಳ ಮೇಲಿರುವ ಸೆನ್ಸರ್ಗಳು ಆಗಾಗ್ಗೆ ಸಂಪರ್ಕ ಕಳೆದುಕೊಳ್ಳುತ್ತವೆ. 'ಮಾಸ್ಕ್ಡ್ ಟೆಂಪೊರಲ್ ಎನ್ಕೋಡಿಂಗ್' ತಂತ್ರವು ಮಾಡೆಲ್ ಕಣ್ಮರೆಯಾದ ಭಾಗಗಳನ್ನು ನಿರ್ಲಕ್ಷಿಸಲು ಕಲಿಸುತ್ತದೆ, ಇದರಿಂದ ನೆಟ್ವರ್ಕ್ ತಪ್ಪು ಸಂಕೇತಗಳನ್ನು ಹಿಡಿಯುವುದನ್ನು ತಪ್ಪಿಸುತ್ತದೆ.
- ಬದಲಾಗುವ ಕಾಲಮಿತಿಗಳು (Varying timescales) – ಮಲ್ಟಿ-ಸ್ಕೇಲ್ ಎನ್ಕೋಡರ್ ವೇಗದ ವೀಡಿಯೊ ಫ್ರೇಮ್ಗಳ ಜೊತೆಗೆ ನಿಧಾನವಾಗಿ ಬದಲಾಗುವ ರಾಸಾಯನಿಕ ರೀಡಿಂಗ್ಗಳನ್ನು ಸಂಸ್ಕರಿಸುತ್ತದೆ, ಇದು ಅಲ್ಪಾವಧಿಯ ಏರಿಳಿತಗಳು ಮತ್ತು ದೀರ್ಘಾವಧಿಯ ಪ್ರವೃತ್ತಿಗಳನ್ನು ಸೆರೆಹಿಡಿಯುತ್ತದೆ.
- ಹಳೆಯ ಜ್ಞಾನವನ್ನು ಮರೆಯುವುದು (Forgetting old knowledge) – ಹೊಸ ಸೀಸನ್ಗಳು ಹೊಸ ಪರಿಸ್ಥಿತಿಗಳನ್ನು ತರುವಾಗ, 'ಎಲಾಸ್ಟಿಕ್ ವೇಯ್ಟ್ ಕನ್ಸೊಲಿಡೇಶನ್' (elastic weight consolidation) ತಂತ್ರವು ಮಾಡೆಲ್ ಹೊಸದನ್ನು ಕಲಿಯಲು ಅನುವು ಮಾಡಿಕೊಡುವ ಜೊತೆಗೆ, ಈ ಮೊದಲು ಕಲಿತ ಮಾದರಿಗಳನ್ನು ಉಳಿಸಿಕೊಳ್ಳುತ್ತದೆ, ಇದರಿಂದ 'ಕ್ಯಾಟಾಸ್ಟ್ರೋಫಿಕ್ ಫಾರ್ಗೆಟಿಂಗ್' (catastrophic forgetting) ತಪ್ಪುತ್ತದೆ.
ರೈತರಿಗೆ ಈ ಅಂಕಿಅಂಶಗಳ ಅರ್ಥವೇನು
- ರೋಗದ ಆರಂಭಿಕ ಪತ್ತೆ: ರೋಗವನ್ನು ಮೂರುದಿಂದ ಐದು ದಿನಗಳ ಮುಂಚಿತವಾಗಿ ಪತ್ತೆಹಚ್ಚುವುದು, ಪೀಡಿತ ಪಂಜರಗಳನ್ನು ಪ್ರತ್ಯೇಕಿಸಲು, ಚಿಕಿತ್ಸೆ ನೀಡಲು ಮತ್ತು ರೋಗದ ಹರಡುವಿಕೆಯನ್ನು ತಡೆಯಲು ನಿರ್ವಾಹಕರಿಗೆ ಸಮಯ ನೀಡುತ್ತದೆ.
- ಆಮ್ಲಜನಕ ನಿರ್ವಹಣೆ: 94% ನಿಖರತೆಯೊಂದಿಗೆ ಆಮ್ಲಜನಕದ ಕೊರತೆಯನ್ನು ಮುನ್ಸೂಚಿಸುವುದರಿಂದ, ಫಾರ್ಮ್ಗಳು ಮುನ್ನೆಚ್ಚರಿಕಾ ಕ್ರಮವಾಗಿ ನೀರಿಗೆ ಗಾಳಿಯನ್ನು ಪೂರೈಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ, ಇದರಿಂದ ಒತ್ತಡದಿಂದ ಉಂಟಾಗುವ ಮೀನಿನ ಸಾವುಗಳನ್ನು ತಪ್ಪಿಸಬಹುದು.
- ಆಹಾರದ ದಕ್ಷತೆ: ಆಹಾರ ಸೇವನೆಯ ಚಕ್ರಗಳನ್ನು ಕಲಿಯುವ ಮೂಲಕ ಆಹಾರದ ವ್ಯರ್ಥವನ್ನು ಸುಮಾರು ಕಾಲು ಭಾಗದಷ್ಟು ಕಡಿಮೆ ಮಾಡಲಾಗಿದೆ, ಇದು ಆಹಾರದ ವೆಚ್ಚವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ ಮತ್ತು ಪರಿಸರದ ಮೇಲಿನ ಪ್ರಭಾವವನ್ನು ತಗ್ಗಿಸುತ್ತದೆ.
ಸಾರಾಂಶ
ಸ್ವಯಂ-ಮೇಲ್ವಿಚಾರಿತ AI ವ್ಯವಸ್ಥೆಯು ಅಸ್ಪಷ್ಟ ಮತ್ತು ಅಪೂರ್ಣ ಸೆನ್ಸರ್ ಸ್ಟ್ರೀಮ್ಗಳನ್ನು ಕಾರ್ಯಸಾಧ್ಯವಾದ ಒಳನೋಟಗಳನ್ನಾಗಿ ಪರಿವರ್ತಿಸುತ್ತದೆ. ಇದು ಪ್ರತಿಯೊಂದು ಡೇಟಾ ಪಾಯಿಂಟ್ಗೆ ಲೇಬಲ್ ಮಾಡುವ ದುಬಾರಿ ಶ್ರಮವಿಲ್ಲದೆಯೇ, ರೋಗದ ಆರಂಭಿಕ ಎಚ್ಚರಿಕೆಗಳು, ನಿಖರವಾದ ಆಮ್ಲಜನಕದ ಮುನ್ಸೂಚನೆಗಳು ಮತ್ತು ಗಮನಾರ್ಹ ಆಹಾರ ಉಳಿತಾಯವನ್ನು ನೀಡುತ್ತದೆ. ಕಡಿಮೆ ಲಾಭದ ಮಿತಿಯನ್ನು ಪರಿಸರ ಸಂರಕ್ಷಣೆಯೊಂದಿಗೆ ಸಮತೋಲನಗೊಳಿಸುವ ಈ ಉದ್ಯಮಕ್ಕೆ, ಈ ಸಾಮರ್ಥ್ಯವು ಮೀನು ಸಾಕುವ ಫಾರ್ಮ್ಗಳ ಕಾರ್ಯವೈಖರಿಯನ್ನು ಮರುರೂಪಿಸಬಹುದು.